核心指导思想以业务需求和用户分析为中心通过维度建模快速构建可理解、可扩展的数据仓库让业务人员能够方便地分析数据。面向业务而不是面向技术Kimball 认为数据仓库首先要解决的是业务决策问题而不是单纯设计一个漂亮的数据结构。维度建模Dimensional Modeling是核心Kimball 最核心的思想是使用维度模型通常表现为星型模型Star Schema。模型由两类表组成事实表Fact Table存放业务事件和度量指标维度表Dimension Table描述分析角度自底向上的建设Bottom-upKimball 不主张先花几年时间建设一个“大而全”的企业数据仓库。他的思想是先解决一个业务领域再逐步扩展。先定义业务过程和粒度GrainKimball 非常强调建事实表之前必须先确定“一条事实记录代表什么”。企业级一致性通过“公共维度”实现Kimball 提出了 Conformed Dimensions一致性维度。追求易用性和查询性能Kimball 认为数据仓库不是给数据库管理员看的而是给分析师、BI人员、管理者使用的。所以模型应该表结构简单、字段含义明确、查询方便、支持快速分析指导思想含义业务驱动从业务问题出发维度建模用事实表维度表组织数据自底向上小步迭代建设数据仓库明确粒度一开始定义事实记录级别一致性维度跨业务共享分析口径用户友好让业务人员容易查询分析简单理解Kimball认为数据仓库不是为了存数据而是为了帮助企业更快、更准确地做决策最好的数据模型应该贴近业务人员的思考方式。如果和 Inmon企业数据仓库3NF模型 对比最大的区别是Kimball先做业务分析场景再整合Inmon先建企业级统一数据层再提供分析。